Oncolog-IA : utilisation des méthodes d’intelligence artificielle pour la détection automatique des cas complexes de cancer du sein et l’aide à la décision pour leur prise en charge thérapeutique

Oncolog-IA : symbolic and numeric artificial intelligence for learning complexity of breast cancer cases and providing decision support for their therapeutic management

• Auteur / Autrice : Akram Redjdal
• Direction : Brigitte Seroussi, Joseph Gligorov, Jacques Bouaud
• Type : Thèse de doctorat
• Discipline(s) : Informatique médicale
• Date : Soutenance le 28/09/2023
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale Pierre Louis de santé publique : épidémiologie et sciences de l'information biomédicale (Paris ; 2000-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'informatique médicale et d'ingénierie des connaissances en e-santé (Paris ; 2014-....)
• Jury : Président / Présidente : Sandra Bringay
• Jury : Examinateurs / Examinatrices : Lina Fatima Soualmia, Marc Cuggia
• Jury : Rapporteurs / Rapporteuses : Silvana Quaglini, Olivier Bodenreider

Mots clés

Mots clés contrôlés

Médecine -- Prise de décision

Intelligence artificielle en médecine

Thérapeutique

Cancer du sein

Mots clés libres

Intelligence artificielle

Cancer du sein

Aide à la decision

Traitement automatique du langage

Artificial intelligence

Breast cancer

Decision support

Natural language processing

Résumé

De nombreux pays ont instauré l’organisation de réunions de concertation pluridisciplinaire (RCP) afin de promouvoir la décision collective des différents professionnels de santé impliqués dans la prise en charge des patients atteints de cancer. Cependant, l’impact des RCP sur la qualité des soins a été remis en cause car le bon fonctionnement des RCP est entravé par le manque de temps, la quantité des informations à gérer, et la complexité des cas discutés. Par ailleurs, les systèmes d’aide à la décision médical (SADM), ont le potentiel d’améliorer la qualité des décisions de prise en charge de cancer du sein, mais ils sont encore très peu utilisés en routine, notamment parce qu’ils ne sont pas en adéquation avec les attentes des cliniciens qui les utilisent. Oncolog-IA est un projet de recherche, qui vise à utiliser des méthodes d’intelligence artificielle numériques et symboliques pour l’apprentissage des cas complexes de cancer du sein à partir d'un corpus de documents incluant les fiches issues des RCP extraites de l’EDS de l’AP-HP. Les fiches RCP sont préalablement structurées par la mise en œuvre de techniques de traitement du langage naturel. Une fois l’apprentissage de la complexité établi, l’objectif du projet est de proposer deux systèmes d’aide à la décision selon la complexité des cas cliniques de cancer du sein : • Un système basé sur les guides de bonnes pratiques pour les cas non complexes • Un système basé sur un raisonnement par analogie pour les cas complexes, à travers le rappel des décision prises pour des cas similaires.

Many countries have introduced multidisciplinary tumor boards (MTBs) to promote collective decision-making by the various health professionals involved in the management of cancer patients. However, the impact of MTBs on the quality of care has been questioned because the proper functioning of MTBs is hampered by the lack of time, the amount of information to be managed, and the complexity of cases discussed. On the other hand, clinical decision support systems (CDSSs) have the potential to improve the quality of breast cancer management decisions, but they are still not used in clinical routine, notably because they are not in line with the expectations of the clinicians who use them. Oncolog-IA is a research project, which aims at using numerical and symbolic artificial intelligence methods for learning complex breast cancer cases from a corpus of documents including breast cancer patient summaries (BCPSs) extracted from the datawarehouse of AP-HP hospitals. BCPS contents have been structured by implementing various natural language processing techniques, and algorithms were then trained to automatically detect the complexity of a breast cancer cases. Once the complexity has been learnt, the second objective of the project was to propose two decision support systems according to complexity: • A guideline based decision support system for non-complex cases ( we have reused the GL-DSS implemented in the DESIREE project ) • A cased-based decision support system for complex cases, through the recall of decisions taken for similar cases.